dida Logo

Computer Vision

In den letzten Jahren gab es enorme Weiterentwicklungen im Bereich des maschinellen Lernens. Mittlerweile kann jedes Muster in einem Bild, welches von einem Menschen erkannt wird, auch von einer Maschine erkannt werden. Manchmal können Maschinen sogar Strukturen erkennen, die ein Mensch nicht erkennt.

Kriterien um Computer Vision-Projekte zu entdecken

Kriterien, um attraktive Prozess­automati­sierungs­projekte zu finden, in denen visuelle Informationen von zentraler Bedeutung sind z.B.:

Der Prozess kostet aktuell viel Geld und/oder eine schnellere Bearbeitungszeit bringt deutliche Mehrwerte

Ein (dafür ausgebildeter) Mensch könnte eine gute Entscheidung hauptsächlich durch das Betrachten eines Bildes/Videos treffen

Es gibt genügend Daten (grobe Daumenregel: 200 - 2.000 Bilder. Die genaue Anzahl hängt selbstverständlich maßgeblich vom Anwendungsfall ab.)

Wir erleben immer wieder, dass nur durch die Kombination aus Kenntnissen über die internen Prozesse mit Expertise im Bereich Machine Vision sinnvolle Projekte erkannt und strukturiert werden können. Fragen Sie uns gerne möglichst früh, ob wir eine Prozessautomatisierung für Ihren Anwendungsfall als technisch machbar einschätzen.

Kriterien um Computer Vision-Projekte zu entdecken

1. Prozess­analyse

Gemeinsam evaluieren wir Ihre Automatisierungs-Projekte anhand von drei Kriterien: Einsparpotentiale, strategische Wertschöpfung and technische Machbarkeit. Sobald wir uns für ein konkretes Projekt entschieden haben, legen wir großen Wert auf die Integration der späteren Anwender der Software.

2. Innovative Lösungen

Unser Team verfügt über langjährige Erfahrung im Bereich der künstlichen Intelligenz. Unsere Algorithmen finden komplizierte Muster in unstrukturierten Daten (z.B. Bilder oder Texte). Diese Mustererkennung bildet die Basis für die Automatisierung des zugrundeliegenden Prozesses.

3. Zuverlässige Software

Großen Wert legen wir auf die Integration unserer Kunden in unsere Code Repositories sowie in wöchentliche Projektmeetings. Agilität, sauberer Code und eine modulare Programmstruktur helfen uns, einfach zu wartende Software zu liefern, die funktioniert.

Projekte in Computer Vision

Alle Projekte zeigen

Automatische Planung von Solaranlagen

Mit Machine Learning, Computer Vision und Objekterkennung gelang es dida, basierend auf Satellitendaten, Solaranlagen automatisiert zu planen.

Automatische Erkennung von Kleinbergbau

Machine Learning und Umweltschutz: Entwicklung einer Software zur automatisierten Erkennung von illegalem Kleinbergbau mithilfe von Satellitendaten.

Erkennung konvektiver Bewölkung

Machine Learning in der Fernerkundung: Lesen Sie hier über unser Projekt mit dem DWD und der Objekterkennung konvektiver Wolken mit Hilfe von Deep Learning.

Klassifizierung der Kulturpflanzenart

Machine Learning und Fernerkundung: Die von dida entwickelte Computer Vision Software ermöglicht Vorhersagen für innovative Landwirtschaft.

Defekterkennung in der Produktion

Machine Learning in der Produktion: Entwicklung einer KI-gestützten Software zur optischen Defekterkennung für die Halbleiterlaserproduktion.

Überwachung von urbanen Veränderungen

Wir als KI-Softwareanbieter entwickelten, mit Hilfe von Computer Vision, einen Algorithmus zur Überwachung & Vorhersage urbaner Veränderung.

Vorhersage der potenziellen Reichweite von Video-Werbekampagnen

Als KI-IT-Softwareanbieter haben wir eine Software für Ströer entworfen, die genaue Simulationen zur Vorhersage der Performance von Werbekampagnen bietet.

Automatische Zugangskontrolle mit Gesichtserkennung

Machine Learning und Sicherheitssysteme: Entwicklung eines mehrstufigen Systems mit Gesichtskontrolle und automatisierter Zugangskontrolle.

Blog Posts in Computer Vision

Alle Blog Posts zeigen
Computer Vision

Frühzeitige Klassifizierung von Anbauflächen anhand von Satellitenbild-Zeitreihen

Von Tiago Sanona 3. April 2023

Wir erläutern einen Deep Learning-Algorithmus zur Klassifizierung von Kulturpflanzenarten aus Satelliten-Zeitreihendaten.

Einführendes

Mit Machine Learning die Umwelt schützen

Von Edit Szügyi 14. März 2023

Der Schutz der natürlichen Umwelt ist die wohl größte Herausforderung unserer Generation. Ich zeige, wie und wo maschinelles Lernen helfen kann.

Computer Vision

Metric Learning - eine Einführung

Von Dr. William Clemens 26. September 2022

Einführung in das Metric Learning: Erweitern Sie Ihr Wissen über metrisches Lernen, gängige Abstandsmaße & Verlustfunktionen wie den Triplett-Verlust.

Einführendes

Empfehlungssysteme - Ein Überblick

Von Konrad Mundinger 29. August 2022

Erweitern Sie Ihr Wissen über Empfehlungssysteme: Erklärung & Anwendung sowie Beispiele, als auch Infos über kollaborative & inhaltsbasierte Filterung hier.

Computer Vision

Die besten (Python-)Tools für die Fernerkundung

Von Emilius Richter 2. August 2022

Python-Tools für die Fernerkundung mithilfe von Machine Learning: Vergleich von Python Software zu Datenabruf- und Verarbeitung von Satellitendaten hier lesen.

Computer Vision

Image Captioning mit Attention-Mechanismus

Von Madina Kasymova 30. Mai 2022

Eine Anwendung des Deep Learnings: Lesen Sie hier über Bildbeschriftungsalgorithmen & einen Ansatz für Bildbeschriftungen - den Attention-Mechanismus.

Computer Vision

Wie man ein Jupyter Notebook-basiertes Labeling-Tool zur Bildklassifizierung implementiert

Von Felix Brunner 21. März 2022

Lesen Sie hier, wie man ein Labeling-Tool zur Bildklassifizierung in einem Jupyter-Notebook zum Laufen bringt & welche Möglichkeiten es zur Erweiterung gibt.

Computer Vision

Datenzentriertes maschinelles Lernen: Maßgeschneiderte ML-Lösungen zur Produktionsreife bringen

Von David Berscheid 6. Oktober 2021

Lesen Sie hier über modell- und datenzentriertes Machine Learning & wie wir bei dida ML-Projekte durch den Einsatz datenzentrierter Techniken verbessern.

Use Cases in Computer Vision

Alle Use Cases zeigen

Webinare in Computer Vision

Alle Webinare zeigen